Ukratko: Autori iz The Guardian-a upozoravaju da prekomerna upotreba specijalizovanih medicinskih AI alata može dovesti do „never‑skilling“ efekta — situacije u kojoj studenti medicine nikada ne razviju ključne kognitivne veštine. Interni podaci pokazuju da oko dve trećine lekara u SAD koristi OpenEvidence, dok studija u Nature Medicine otkriva da su ti klinički modeli često manje pouzdani od opštih chatbotova poput ChatGPT‑a. Stručnjaci predlažu periodično rešavanje slučajeva bez AI i uvođenje strožih smernica kako bi se sačuvalo učenje kroz napor i iskustvo.
Lekari Upozoravaju: Studenti Medicine Predaju Svoj Mozak Medicinskim AI Sistemima — Rizik „Never‑Skilling“
A color-treated photo of a medical student looking at a smartphone.
Nije tajna da lekari širom sveta koriste alate zasnovane na veštačkoj inteligenciji za zadatke od vođenja beleški do brzog traženja odgovora. Međutim, šta se dešava sa sledećom generacijom lekara — studentima i pripravnicima koji još uče temeljne kliničke veštine? Dvoje medicinskih stručnjaka upozorava da je situacija alarmantna i da preterana upotreba specijalizovanih medicinskih AI može sprečiti mlade lekare da uopšte steknu sposobnost kritičkog rasuđivanja.
Šta pokazuju podaci i studija?
U eseju za The Guardian, Simar Bajaj (studentkinja medicine i novinarka) i Joseph Sakran (hirurg-traumatolog i izvršni potpredsednik hirurgije u Johns Hopkins Medicine) navode dve zabrinjavajuće činjenice. Prvo, interni podaci upućuju da oko dve trećine lekara u SAD već koristi OpenEvidence — chatbot dizajniran za kliničku upotrebu. To pokazuje koliko su ovi alati već utkane u svakodnevnu praksu.
Drugo, nova studija objavljena u Nature Medicine ocenila je pouzdanost medicinski specifičnih velikih jezičkih modela (LLM). Rezultat je iznenađujući: ti specijalizovani klinički modeli su u odgovaranju na medicinska pitanja bili manje pouzdani od opštih chatbotova poput ChatGPT‑a i Claude‑a, a bili su približno jednaki Googleovim AI Overviews, koji su poznati po povremenim netačnostima.
„Opasnost nije samo u gubljenju veština, već u tome da se one nikada i ne steknu,“ pišu Bajaj i Sakran. „Iako se doktor kome je zaboravljeno kako da rezonuje može povratiti, onaj ko nikada nije naučio — možda neće.“
Zašto je to problem?
Autori i niz istraživanja ukazuju na fenomen poznat kao kognitivno prebacivanje (cognitive offloading): ljudi prirodno počinju da prebacuju deo procesa mišljenja na spoljne alate. Studije su pokazale da preterana zavisnost od AI može umanjiti kritičko razmišljanje i čak smanjiti moždanu aktivnost tokom rešavanja zadataka. Kod trajne upotrebe u fazi učenja, umesto da razvijaju sposobnosti — studenti ih mogu zaobići.
Predlozi i moguća rešenja
Bajaj i Sakran predlažu nekoliko konkretnih mera: zahtevati od pripravnika da povremeno rade kroz kliničke slučajeve bez AI pomoći (analogia sa FAA savetom pilotima da povremeno isključe autopilot i lete ručno), uvesti strože smernice i obrazovne standarde za upotrebu AI u nastavi, kao i jasno označavanje kada je odgovor generisan od strane AI.
Jaideep Talwalkar, iz Yale School of Medicine, ističe da nameran proces pisanja kliničke beleške „prisiljava nas da koristimo mozak i zaista se pozabavimo onim što se dešava“, te da je ponavljanje ključno za učenje. Takođe, kulturološki faktori — kao što su prezir ili skeptičnost kolega prema onima koji se oslanjaju na AI — mogu delovati kao dodatna barijera ili motivator, u zavisnosti od okruženja.
Zaključak: AI alati imaju veliki potencijal da ubrzaju rad i poboljšaju pristup informacijama, ali ne smeju zameniti proces učenja koji razvija kliničko rasuđivanje. Potrebne su jasne smernice, obrazovne prakse koje uključuju periodičan rad bez AI i kritičko vrednovanje alata pre nego što postanu zamena za temeljno znanje.
Pomozite nam da budemo bolji.
